Modelado Basado en Datos de Convección Térmica Estacionaria Adaptativa a la Geometría Utilizando Redes Neuronales Convolucionales
Autores: Peng, Jiang-Zhou; Liu, Xianglei; Xia, Zhen-Dong; Aubry, Nadine; Chen, Zhihua; Wu, Wei-Tao
Idioma: Inglés
Editor: MDPI
Año: 2021
Acceso abierto
Artículo científico
2021
Modelado Basado en Datos de Convección Térmica Estacionaria Adaptativa a la Geometría Utilizando Redes Neuronales Convolucionales
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Mecánica
Palabras clave
Convección de calor
Simulación numérica
Redes neuronales
Estado estacionario
Red neuronal convolucional
Función de distancia firmada
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
La convección de calor es uno de los principales mecanismos de transferencia de calor, e involucra tanto la conducción de calor como el transporte de calor por el flujo de fluidos; como resultado, generalmente requiere simulación numérica para resolver problemas de convección de calor. Aunque la derivación de las ecuaciones gobernantes no es difícil, el proceso de solución puede ser complicado y generalmente requiere discretización numérica e iteración de ecuaciones diferenciales. En este artículo, basado en redes neuronales, desarrollamos un modelo impulsado por datos para una predicción extremadamente rápida de la convección de calor en estado estacionario de un objeto caliente con una geometría compleja arbitraria en un espacio bidimensional. De acuerdo con las ecuaciones gobernantes, la convección de calor en estado estacionario está dominada por términos de convección y difusión térmica; por lo tanto, la distribución de los campos físicos exhibiría correlaciones más fuertes entre puntos adyacentes. Por lo tanto, el modelo de red neuronal propuesto utiliza capas de red neuronal convolucional (CNN) como el codificador y capas de red neuronal deconvolucional (DCNN) como el decodificador. En comparación con un modelo de red completamente conectado (FC), el modelo basado en CNN es bueno para capturar y reconstruir las relaciones espaciales de espacios de características de bajo rango, como intersecciones de bordes, paralelismo y simetría. Además, aplicamos la función de distancia firmada (SDF) como entrada de la red para representar la geometría del problema, que contiene más información en comparación con una imagen binaria. Para mostrar la fuerte capacidad de aprendizaje y generalización del modelo de red propuesto, el conjunto de datos de entrenamiento solo contiene objetos calientes con geometrías simples: triángulos, cuadriláteros, pentágonos, hexágonos y dodecágonos, mientras que los casos de prueba utilizan geometrías arbitrarias y complejas. Según el estudio, el modelo de red entrenado puede predecir con precisión el campo de velocidad y temperatura de los problemas con geometrías complejas, que nunca ha sido visto por el modelo de red durante el entrenamiento del modelo; y la velocidad de predicción es dos órdenes más rápida que la CFD. La capacidad de predicción precisa y extremadamente rápida del modelo de red sugiere el potencial de aplicar modelos de red de orden reducido a las aplicaciones de control en tiempo real y optimización rápida en el futuro.
Descripción
La convección de calor es uno de los principales mecanismos de transferencia de calor, e involucra tanto la conducción de calor como el transporte de calor por el flujo de fluidos; como resultado, generalmente requiere simulación numérica para resolver problemas de convección de calor. Aunque la derivación de las ecuaciones gobernantes no es difícil, el proceso de solución puede ser complicado y generalmente requiere discretización numérica e iteración de ecuaciones diferenciales. En este artículo, basado en redes neuronales, desarrollamos un modelo impulsado por datos para una predicción extremadamente rápida de la convección de calor en estado estacionario de un objeto caliente con una geometría compleja arbitraria en un espacio bidimensional. De acuerdo con las ecuaciones gobernantes, la convección de calor en estado estacionario está dominada por términos de convección y difusión térmica; por lo tanto, la distribución de los campos físicos exhibiría correlaciones más fuertes entre puntos adyacentes. Por lo tanto, el modelo de red neuronal propuesto utiliza capas de red neuronal convolucional (CNN) como el codificador y capas de red neuronal deconvolucional (DCNN) como el decodificador. En comparación con un modelo de red completamente conectado (FC), el modelo basado en CNN es bueno para capturar y reconstruir las relaciones espaciales de espacios de características de bajo rango, como intersecciones de bordes, paralelismo y simetría. Además, aplicamos la función de distancia firmada (SDF) como entrada de la red para representar la geometría del problema, que contiene más información en comparación con una imagen binaria. Para mostrar la fuerte capacidad de aprendizaje y generalización del modelo de red propuesto, el conjunto de datos de entrenamiento solo contiene objetos calientes con geometrías simples: triángulos, cuadriláteros, pentágonos, hexágonos y dodecágonos, mientras que los casos de prueba utilizan geometrías arbitrarias y complejas. Según el estudio, el modelo de red entrenado puede predecir con precisión el campo de velocidad y temperatura de los problemas con geometrías complejas, que nunca ha sido visto por el modelo de red durante el entrenamiento del modelo; y la velocidad de predicción es dos órdenes más rápida que la CFD. La capacidad de predicción precisa y extremadamente rápida del modelo de red sugiere el potencial de aplicar modelos de red de orden reducido a las aplicaciones de control en tiempo real y optimización rápida en el futuro.